只用 4 個月打造機器學習必備技能，這位工程師成功翻轉職涯人生

時間 2019-11-29

原文原文鏈接

原標題:My 3 Month Deep Learning Career Pivot——A self-study guide to becoming a deep learning non-experthtml

https://medium.com/towards-data-science/my-3-month-deep-learning-career-pivot-af94cd8d6a31
譯文：https://buzzorange.com/techorange/2017/10/01/4-months-of-machine-and-deep-learning/
相似的：https://mp.weixin.qq.com/s/WZcCH7LGGmalR51yOxa6bw前端

這其實就是線性代數，不是什麼高深的學問。node

我作了什麼？怎麼作到的？python

這裏，我就再也不介紹原先的學習計劃以及隨後在 LinkedIn 上的跟進討論了。若是你不怕冗繁的細節，能夠從新去看原文：git

學習計劃：
https://medium.com/towards-data-science/my-3-month-deep-learning-career-pivot-af94cd8d6a31github

跟進討論：
https://www.linkedin.com/pulse/self-study-guide-becoming-deep-learning-non-expert-jason-carter面試

長話短說：我學完了，如今開始找工做 算法

想立刻知道接下來的事情嗎？且聽我說。我並無徹底照着一開始的計劃，循序漸進地學習，而更像是 一段長達 4 個月的、擠滿額外內容的學習經歷。 如今，我立刻就要完成這段職業生涯的轉型經歷了，因此想和大家分享一下個人體會。編程

先分享一下我最終版的學習日程，而後再跟您們討論這中間的變更以及我這樣作的緣由，最後是給初學者的一些建議。網絡

順便說一句，文章開篇這句「這其實就是線性代數，不是什麼高深學問」，意味的是機器學習或深度學習並不簡單。

個人學習日程

這段時間，我一直全身心的投入在學習上，天天學習 10-14 小時。 我天天都努力完成時間安排，而且沒有放下健身房和午飯的休息時間。大部分時候均可以正常完成， 有時候也會熬到凌晨 1 點或 2 點再睡覺，但也有幾天什麼事情也沒完成。 有時候是由於個人懶惰（夏天實在容易變懶），其餘時候是由於太累了。

這裏還要提一下我學這些的背景—教育基礎，我有一個軟件工程學位和 Udacity 數據分析師（Nanodegree）的認證。除了工做經驗，仍是一名開發者和分析師。

第一個月

1. 深度學習-第 1 部分（開始）： https://medium.com/towards-data-science/fast-ai-the-toc-of-practical-deep-learning-part-1-70c89187d654

2. 嘗試 Kaggle 競賽： https://www.kaggle.com/

3. 分享經驗：中級

4. 參加本地研討會（通常 AI 討論）

第二個月

1. 深度學習 – 第 1 部分（完成）

2. 從頭開始構建深度學習框架

3. MNIST 對抗挑戰（使用 500px 面試項目進行實踐）

4. 數據科學家與 Python，職業培訓營 DataCamp（開始）

5. 分享經驗：中級

6. 參加本地研討會（AI 講座和小組討論）

第三個月

1. 深度學習- 第 2 部分（開始+暫停）

2. 數據科學家與 Python，職業培訓營 DataCamp（完成）

3. 吳恩達的機器學習：Coursera（已完成）

4. 分享經驗：中級

5. 更多本地研討會（DeepLearning：TensorFlow 和 Kubernetes）

第四個月

1. 深度學習，第 2 部分（開始）

2. Capstone：構建和部署端到端深度學習產品（開始）

3. 分享經驗：中級

雜項

1. 就像一個筆記，每一個課程或程序都有不少閱讀材料（例如，部落格文章、史丹佛大學在線 CNN 課程，學術論文等），和往常同樣，終究要花功夫學習額外的知識。我雖然作了大量的「額外」閱讀，但確定有一些地方跳了過去或者沒有興趣繼續瞭解下去。

2. 我目前已經學習到第四個月（到 7 月中旬其實是 3.5 個月，我提早了），可是打算不久以後就開始找工做，不會一整個月都拿來學習。

細節

我對原來的時間表作了 3 個比較大的改動：

1. 數據科學家與 Python（DataCamp）

2. 吳恩達的機器學習（Coursera）

3. Capstone 項目（端到端深刻學習項目）

在開始深度學習的第 2 部分以後，我決定參加 Datacamp 舉辦的數據科學家與 Python 培訓營。 要多從實踐的角度思考所學的內容，由於我目前的角色並不能簡單的劃分紅單純的深度學習或單純的經典機器學習。因此儘管 動手實踐深度學習的經歷很棒 ，但若是在接受面試時，我不瞭解 KNN 和 k-means 算法之間的區別，就真的會很尷尬。

另外，儘管 Fast AI program 是用 Python 教你課程內容，但它並不教授 Python，而 DataCamp 的職業生涯訓練營則有許多 Python 在數據分析和操做方面的課程。

因爲我以前已經完成了 Udacity 的數據分析課程，因此 DataCamp 的課程對我來講，更多的像是複習（固然也有一些新的提示和技巧），但這正是我須要的。

總結起來就是：

1. DataCamp 課程適合進行深刻的學習，且涵蓋範圍普遍。它這種讓你一行一行實踐 Python 代碼的方式很是棒！

2. Udacity 課程則爲每一個機器學習算法提供了很是多的細節，方便你瞭解如何使用它們並構建優秀的大型項目。

史丹佛大學機器學習課程 ，由吳恩達在 Coursera 上教授的多是網絡上最有名的機器學習課程。這大概就是我想學它的主要緣由。另外，我也從朋友那裏據說這是一個很棒的課程。

我學這門課的目標是爲了強化本身的知識基礎。雖然在以前我已經學習過 Udacity 和 DataCamp 的課程，這兩個課程都從不一樣的角度講述機器學習，但我認爲再多學習一門這個領域中最好的課程絕對有利無害。

這門課很是有意思，有趣且具備挑戰性。像其餘一切同樣，有一些我徹底理解的部分，也有一些我尚未徹底搞清楚的部分。

我不認爲 Octave 會在任何新項目裏幫到我，但對於完成幾回做業來講，這個軟件並不難上手。雖然這門課是一個很棒的經歷，但我仍然相信 Udacity 的數據分析 Nanodegree 更有用處。

最後一件幫助我完成學習目標的事，是 Capstone 的端到端深度學習項目 。數據科學或機器/深度學習不只僅是關於理論、算法、研究和出版論文！對於我來講，我一直想要構建產品，作一個實踐者，作一些事情。

在個人 Capstone 項目中，我將定義一個問題、潛在的解決方案、源數據、構建和測試模型、生成模型、實現 API、UI 前端並部署到「生產」上。本質上，我將要創建一個端到端的深刻學習管道，從而打造一個直播產品。

…… 或者至少，這是一個計劃。